具有下界约束的关联规则算法研究

约束关联规则是关联规则研究中的重要问题,目前的研究大多集中在单变量约束,对双变量约束的研究较少,而双变量约束在实际中也有重要作用.针对这种情况,提出了双变量约束中具有下界约束的关联规则问题.在此基础上,给出了下界约束的定义,然后分析了满足下界约束频繁集的性质,并给出了相关的证明.最后提出了基于FP-Tree的下界约束算法,采用了预先测试的方法,降低了需要测试项集的数量和计算成本.实验结果表明,该算法具有较高的效率.     

基于Voronoi 最小邻近点集的Delaunay 三角化方法

针对局部条件下网格生成的需求,提出一种基于节点的Delaunay 三角化 生成算法,该算法以Delaunay 三角形及其对偶Voronoi 图的局部性特征为基础,通过在局部 搜索最小Voronoi 邻近点集,来生成约束点附近的局部网格,通过建立背景索引网格,来提 高算法效率。给出算法的原理证明、程序实现、效率分析和测试结果,并给出了算法的应用 领域。     

基于多QoS约束的多播路由算法研究

论文讨论了具有延迟、带宽和低代价等多QoS约束的多播路由算法，提出了适应于研究QoS多播路由的网络模型，并给出了一种具有多QoS约束的动态多播路由算法，分析了算法的复杂度。仿真实验证明，该算法是稳定有效的。它能够在满足多约束的情况下，使多播树的代价优化。     

Rotate-N-Puzzle问题可解性分析及求解

Rotate-N-Puzzle问题与N-Puzzle问题类似，问题空间也具有组合爆炸性质。经证明，Rotate-N-Puzzle的任何一个初始布局都是可解的。在此结论的基础上，给出了解长度的上界。提出了一种分治算法，在算法中的每一步，采用贪心策略求解问题。实验结果表明，该算法能够在多项式时间内快速求解规模很大的Rotate-N-Puzzle问题。     

数据相关性分析中替代约束的有效性

数据相关性分析经常使用诸如约束有效性的几个测度,详细分析了什等式约束要比方向向量约束更有效,体性测试算法。方向向量或体差不等式等作为替代约束以加强求解丢番图方程的能力。给出了替代么样的替代约束是可行的、有效的、良性的或恰当的,并证明在大多数情况下体差不差不等式测试方法的收敛性要强于其它使用方向向量作为替代约束的传统数据相关性测试算法。     

L分析的线性矩阵不等式方法及其优化算法

通过采用S—过程和投影引理，得到了结构奇异值上界的LMI判据，该判据是基于状态空间描述的，从而消除了频率扫描过程和频率响应曲线拟合过程，并具有较好的数值性态，以该判据为基础，给出了计算结构奇异值上界的优化投影迭代算法，并将该方法应用于基准测试系统和典型电力系统，以验证其有效性，数值结果表明，该方法与经典频域方法和状态空间方法相比具有更好的求解效率。     

直觉模糊推理的三I约束算法

研究了直觉模糊推理三I约束算法,给出了IFMP、IFMT问题的直觉模糊推理三I约束算法解的表达形式和分解形式,在此基础上,指出了直觉模糊推理三I约束算法是模糊推理三I约束算法的推广,并给出了相应的证明。     

最小k-击中集问题的一个随机近似算法

Franco等给出一个基于平均度数的最小3-击中集问题的贪心算法,并给出算法返回击中集规模的上界.首先将其算法推广成为求解最小k-击中集问题的贪心算法HGREEDY1(A,C),并类似地给出算法返回击中集规模的上界;然后给出基于最大度数的贪心算法HGREEDY2(A,C),并证明算法HGREEDY2(A,C)在给定条件下返回的击中集规模上界优于算法HGREEDY1(A,C);另外设计了用于求解最小k-击中集的随机算法RH(A,C),并对其性能进行平均分析;在此基础上设计一个求解最小k-击中集的随机近似算法并讨论其性质.     

具有双时间维约束的股票序列模式挖掘

建立了在证券交易分析中常见的具有双时间维约束的交易规则模型，针对该模型采掘的特殊性，文章提出了两个数据预处理的算法，最后给出了此类规则的挖掘算法。实验证明该模型计算法是正确有效的。     

一种挖掘带时间约束序列模式的改进算法

针对带时间约束的序列模式，提出了一种改进的挖掘算法TSPM，克服了传统的序列模式挖掘方法时空开销大，结果数量巨大且缺少针对性的缺陷．算法引入图结构表示频繁2序列，仅需扫描一次数据库，即可将与挖掘任务相关的信息映射到图中，图结构的表示使得挖掘过程可以充分利用项目之间的次序关系，提高了频繁序列的生成效率．另外算法利用序列的位置信息计算支持度，降低了处理时间约束的复杂性，避免了反复测试序列包含的过程．实验证明，该算法较传统的序列模式发现算法在时间和空间性能上具有优越性。     

基于频繁模式树的分布式约束性关联规则挖掘算法研究

在分布式环境中挖掘约束性关联规则是当前研究的热点问题之一。该文在FP-growth算法的基础上,提出了一种新的分布式挖掘约束性关联规则算法DAMICFP。该算法对于解决分布式挖掘约束性关联规则的问题是十分有效的。     

一种基于频繁模式树的约束最大频繁项目集挖掘及其更新算法

目前已提出了许多快速的关联规则挖掘算法,实际上用户只关心部分关联规则,如他们仅想知道包含指定项目的规则．当这些约束被用于数据预处理或将它结合到数据挖掘算法中去时,可以显著减少算法的执行时间．为此,考虑了一类包含或不包含某些项目的布尔表达式约束条件,提出了一种快速的基于FP—tree的约束最大频繁项目集挖掘算法CMFIMA,并对其更新问题进行了研究,提出了一种增量式更新约束最大频繁项目集挖掘算法CMFIUA．     

分布式数据库项约束多层关联规则挖掘

由于分布环境的日益普遍并且需要结合使用者的实际要求对数据集按层次挖掘关联规则,故本文针对在分布式环境下基于项约束的关联规则挖掘和多层关联规则挖掘的特点,将交易表按概念层次进行编码。使用逐层迭代挖掘蓑略,结合CD算法和Direct算法提出一种在分布式环境下挖掘约束性多层关联规则的有效算法：MLACD算法。并通过实验验证该算法是正确有效的。     

分布式环境下挖掘约束性关联规则的算法研究

关联规则是数据挖掘的重要研究内容。基于约束的关联规则挖掘可以促进交互式探查与分析。该文主要研究了分布式环境中挖掘约束性关联规则的问题。在并行关联规则挖掘算法CD和约束性关联规则挖掘算法Direct的基础上,提出了一种新的分布式挖掘约束性关联规则算法DMA_IC。该算法对于解决分布式挖掘约束性关联规则的问题是十分有效的。同时,文章还对DMA_IC算法的通信性能进行了讨论。     

项约束频繁项集挖掘的新方法

项约束频繁项集挖掘是项约束关联规则挖掘的关键步骤。对项约束频繁项集挖掘的内涵进行讨论,认为一个项集X本身满足项约束条件B是不够的,数据库中支持X的全部事务均满足B才能称“项集X满足条件B”。据此,将Direct算法改进为Direct*,在Direct*中负项被作为一个独立的项来看待。项约束是简洁性约束,但目前已有的算法没有充分利用其简洁性,提出利用项约束简洁性的MSEB算法。实验表明：对稠密数据库,MSEB的效率较高,并且Direct*和MSEB两个算法均是正确的。     

基于Apriori算法的医学分类器研究

基于关联分类的数据挖掘在医学临床上得到了广泛应用,但传统算法在进行医学挖掘时却出现选项集大小的制约、项的位置、关联规模过大等问题.针对传统关联分类算法在医学数据挖掘上的这些不足,提出了一种Apriori算法的优化,算法通过加入最大支持度及最小支持度和项出现位置的约束有效地在算法执行前和算法执行过程中删除了冗余模式和规则,满足医学分类要求,提高了医学分类的有效性,并且通过Aptiori-gen函数的改进提高了算法运行效率.最后用仿真实验验证了上述优化措施.     

关联规则挖掘Apriori算法的改进与实现

Apriori算法是关联规则挖掘的一个经典算法,提高Apriori算法关联规则挖掘效率的关键是减少候选集的数量。通过分析、研究该算法的基本思想,文中提出利用Hash表存储技术对该算法进行改进,通过删除项Hash表来减少生成候选集的数量,从而提高算法的效率。实验结果表明,该改进算法能有效地提高关联规则挖掘的效率。     

完全加权正负关联规则挖掘及其在教育数据中的应用

完全加权数据模型的特点是其项目权值分布在各个事务记录中,随着事务记录的不同而变化。现有的加权负关联规则挖掘算法不能适用于完全加权数据模型。该文提出一种新颖的基于概率比和兴趣度的完全加权正负关联规则的挖掘算法,探讨了算法在教育信息化数据中的应用。算法以概率比代替传统的置信度,采用支持度-概率比-兴趣度架构衡量完全加权正负关联规则,获得很好的挖掘效果。以真实的教育数据和文本数据为实验测试集,与现有正负关联规则挖掘算法比较,该文提出的算法更有效、更合理,具有较高的理论价值和应用前景。     

基于概念提升的多层次关联规则更新采掘

采掘关联规则是数据采掘的重要研究内容．本文针对交易项目中广泛存在的包含和泛化关系，充分利用已采掘出交易项目集的频繁模式集合，提出了一种快速的基于概念提升的多层次关联规则更新采掘方法与算法UMARCP．